Classification : vrai ou faux et positif ou négatif

Dans cette section, nous définissons les bases des critères que nous utiliserons pour évaluer les modèles de classification. Mais tout d'abord, voici une fable :

Fable d'Ésope : Le Berger mauvais plaisant (version abrégée)

Alors qu'il fait paître le troupeau du village, un jeune berger s'ennuie. Pour se divertir, il se met à crier "Au Loup !" alors qu'il n'y a aucun loup à la ronde. Les villageois accourent pour protéger le troupeau, puis se fâchent lorsqu'ils comprennent que le jeune homme leur a joué un tour.

[Répéter le paragraphe précédent N fois.]

Une nuit, le jeune berger aperçoit réellement un loup qui s'approche de son troupeau et crie "Au loup !". Cette fois, les villageois refusent de se laisser berner et restent chez eux. Le loup affamé s'offre un festin de côtelettes d'agneau et le village se retrouve privé de nourriture. S'ensuit une vraie panique.

Procédons aux définitions suivantes :

  • "Loup" est une classe positive.
  • "Pas de loup" est une classe négative.

Nous pouvons résumer notre modèle de prédiction de loup avec une matrice de confusion 2x2 qui illustre les quatre résultats possibles :

Vrai positif (VP) :
  • Réalité : attaque de loup.
  • Le berger dit : "Loup".
  • Résultat : le berger est un héros.
Faux positif (FP) :
  • Réalité : pas d'attaque de loup.
  • Le berger dit : "Loup".
  • Résultat : les villageois en veulent au berger de les avoir réveillés.
Faux négatif (FN) :
  • Réalité : attaque de loup.
  • Le berger dit : "Pas de loup".
  • Résultat : le loup dévore tous les moutons.
Vrai négatif (VN) :
  • Réalité : pas d'attaque de loup.
  • Le berger dit : "Pas de loup".
  • Résultat : tout le monde est sain et sauf.

Un vrai positif est un résultat où le modèle prédit correctement la classe positive. De façon analogue, un vrai négatif est un résultat où le modèle prédit correctement la classe négative.

Un faux positif est un résultat où le modèle prédit incorrectement la classe positive. Et un faux négatif est un résultat où le modèle prédit incorrectement la classe négative.

Dans les sections suivantes, nous aborderons l'évaluation des modèles de classification à l'aide de critères dérivés de ces quatre types de résultats.

Envoyer des commentaires concernant…

Cours d'initiation au machine learning